城市交通网络系统的快速发展,使得交通数据与日俱增。近年来,边缘计算架构将计算、存储和网络资源下放到网络边缘节点上,大大降低了数据处理的延迟,为实时的交通数据处理提供了一个有效的解决方法。另外,压缩感知已经成为一种用于减少数据传输的热门技术,可以用来减少传输数据量并且能重建原始数据,从而获得道路的相关统计信息,以更好进行城市道路监测,减轻交通的压力。这些技术的发展对交通数据的相关处理起到了关键性地作用。总的来说,当前现在存在的问题有:现有基于云计算架构的数据处理延迟大,无法满足对实时的数据处理;随着交通网络的快速发展,产生的数据量将呈指数级别增长,带宽资源会成为数据上传的瓶颈;目前的数据处理架构以及算法,对大数据集合的处理存在时延长、恢复精度等问题。本文以交通状态估计为研究对象,主要工作如下:1.研究了移动边缘计算车载网络中的流量感知系统,其中每个移动边缘计算服务器均可在其本地服务器中实现流量数据收集和恢复。在此基础上,本文提出了带宽受限的流量感知问题,旨在基于收集的流量数据使估计误差最小。为了解决此问题,本文首先提出了带宽感知数据收集算法,通过评估移动边缘计算服务器覆盖的每个路段的优先级来选择最佳的上载交通数据。然后,本文提出了基于凸优化的数据恢复算法,通过将带宽受限的流量感知问题转换为范数最小化问题来最小化估计误差。最后实现了仿真模型并进行了性能评估。综合仿真结果验证了该算法的优越性。2.研究了移动边缘计算车载网络中基于堆叠自编码模型数据感知的系统,其中每个移动边缘计算服务器负责数据的收集和处理,而云层负责数据的恢复。为了验证堆叠自编码模型在车联网数据感知和恢复的可行性,对数据偏差、感知范围、数据采样率进行变化,对比了采用内点法的凸优化算法和交替方向乘子法的凸优化算法。仿真结果验证了堆叠自编码模型在数据恢复算法上的优越性。论文的相关工作对于车联网数据感知的研究与应用提供了一种可行的研究思路和技术路线,对后续相关方向的深入研究具有一定的参考和应用的价值。